Jay发自 凹非寺 量子位|公众号QbitAI
啥，机器人已经能接管酒店洗衣房了？？
从客房里收走你的脏衣服，自己穿过狭窄的走廊，智能避障。
再把衣物取出来，装进篮子；
wash.gif
然后，精准识别并按下洗衣机、烘干机的启动键；
wash.gif
最后，取出衣服，再给你送回房间……
整个过程，如丝般顺滑。
图片
我知道，你可能觉得洗衣、烘干嘛，听着一点也不Fancy。
但你相信我，处理柔性物体、在真实、动态、非标准化的环境里完成一整套长链条任务，这事儿的技术难度，在机器人圈里绝对是地狱级的。
如今，大晓机器人给出了新解法——
双脑（世界模型+Astra）协同架构+具身RSI。
简直是疯狂叠Buff。。。
f56a27f6-0302-4b41-a30b-b0e52e983175.png
复刻一个物理世界
酒店其实是个蛮适合作为具身落地的灯塔场景的。
一方面，酒店普遍面临夜间招工难、人力成本高、节假日服务需求集中等问题；
另一方面，大晓董事长王晓刚表示，也有一部分秀肌肉的考量。
洗衣服务涉及取衣、搬运、设备操作、洗涤烘干、送回客房等多个环节，对机器人的空间理解、精细操作和长流程任务规划都有很高要求。
这也是我们选择酒店场景的重要原因，它不是让机器人完成几个孤立的动作，而是要求机器人在真实环境中持续完成一项业务。
传统机器人往往只能在预设条件下执行固定任务，一旦环境、物体或者任务发生变化，就需要重新编程或人工干预。
但与此同时，机器人想进到酒店干活，也不是那么容易的，往往一来就会遇到个很大的阻碍——
冷启动。
你想想，你买个扫地机器人回家，还得先让它全屋溜达一圈建个图。
现在要让一个更复杂的机器人去酒店上班，它连客房门朝哪开、洗衣机长啥样都不知道。
所以，行业一直以来的思路，都是先在数字世界里「彩排」一下。
也就是飞飞老师所说的「空间智能」方向。最直观就是Atlas那种，搞个三维重建，把场景的几何外观扫出来。
但问题是，那玩意儿本质上，还是个「可看不可动」的静态样板间。
它没有物理属性。
啥意思？就是说，在那个数字空间里，机器人不知道衣篮究竟有多重，洗衣门要多大劲才能打开。
这其实会带来蛮多问题的，我给你举个例子。
咱们人做很多操作时的时候，其实基本上是不太用得着眼睛的。因为物理世界能直接交互啊，上手摸一把，大概就知道是个啥，要用多少力气。
但如果只有个只能看的样板间，就只能靠碰运气了。
听上去很魔幻，但事实上很多机器人，就是这么训练出来的。
而大晓机器人这次的解法，也算是终于回到了第一性原理吧——
Mundo，支持建模物理参数的世界模型。
作为大晓开悟世界模型体系中的一员，Mundo能提供环境建模、训练数据生成与策略验证支持，帮助世界模型将跨场景学习形成的世界知识、预测与行动能力，更有效地应用于具体任务。
具体而言，在输入酒店房间、走廊、洗衣房等一堆照片后，Mundo能复刻一个可以物理交互的孪生酒店。
物体质量、摩擦力……全都包含在内。
图片
这样一来，原本完全是空中楼阁的数字酒店，就成了一个给机器人专用的「驾校」。
每一次数字世界里的尝试，不管是成功还是失败，都会产生一堆数据——动作轨迹、接触状态、视觉反馈。
这些数据，又能反过来被用来优化机器人的动作策略。
结果就是，极大压缩现场部署的调试时间。机器人还没「入职」，就已经对工作环境和业务流程「了如指掌」了。
一个想，一个干
好，现在机器人有了专属驾校，可以疯狂练车了。
下一个问题，谁来驾驶？
我的第一反应是：
这还不简单，现在Astra操控机器人这么猛，直接让它上啊。
一看还真是，Astra是大晓给予机器人除Mundo之外的第二颗大脑。
但我仔细研究一番后，发现和我最开始的预想不太一样。
是，Astra理解、推理、规划能力都无敌了，但如果你直接套壳的话，效果其实蛮尴尬的……
团队做了个测试，数据显示，纯靠Astra实时决策，跑完一整套流程，耗时超过30分钟。
我都能自己手洗两回了。
物理世界必然是高频的，如果机器人的每一步动作，都要实时等着云端的大模型观察、思考、推理、决策，那黄花菜都凉了啊。。。
又想吃通用模型的红利，又要满足具身落地的实时要求，怎么办？
这次，大晓机器人给出了解法——
解耦。
云端一个通用脑（GPT-Astra），负责任务拆解、逻辑推理、生成策略这种需要「思考」的宏观工作。
给定目标和评测条件，让Astra尽情在Mundo世界模型中探索，寻找最优解、验证、总结……待方法论收敛后——
沉淀为Skill。
图片
接下来，交给机器人本体上一个执行脑，负责调用那些已经固化好的Skill，依托本体的摄像头和机械臂，快速完成高精度的物理动作。
有了这套分工后，你再猜猜，本地具身基模完成同样一轮任务，需要多久？
18.648秒。
是的，你没看错。
从30多分钟，到18.6秒。耗时缩减超过98%。
323581cb-4914-43be-9535-a179e984ff29.png
当然，现实世界总有意外。
如果现场光线突然变了，或者有个人把衣篮挪了个位置，端侧小脑处理不了了怎么办？
这时候，「云端大脑」Astra会重新介入，分析新的情况，生成一个新版本的Skill再下发下来。
而为了管理这些成百上千的Skill呢，团队还自研了一个叫BotAgent的调度中枢。
简单来说它就像是一个大堂经理。它把整个洗衣流程，拆解成了53个最基础的原子动作，再往上封装成「取篮子」、「去洗衣房」这样14个大的语义步骤。
最终，BotAgent能根据客房位置、电梯状态、洗衣机排队情况，灵活地编排出超过200种不同的动作序列。
图片
至此，Astra这颗通用大脑的杠杆，被拉到了最大。
「世界模型+通用模型」的双脑协同架构，也彻底成型。
在失败的现场，原地进化
到这里，好像已经很完美了。
但真实世界，永远比模拟器要复杂一万倍。总会有意想不到的幺蛾子出现。
比如，机器人去抓衣篮，结果自己的手腕正好挡住了摄像头，看不清。
又比如，从烘干机里取衣服，明明抓起来了，结果一条裤腿还挂在滚筒里️。。。
如果每次出问题，都得等工程师跑过来改代码，那我们可能这辈子都见不着机器人落地了。
5c3087d7-f23b-47e1-9620-9d824dfa758f.gif
怎么办？
这正是具身RSI发挥作用的地方——
让机器人在真实的失败中，学会自我进化。
整个过程是这样的：
首先，Astra大脑先生成一个初代Skill，让机器人去执行。
接下来，机器人用多路摄像头录下视频，同时记录下所有传感器数据和动作时间线。
录完又可以把皮球踢回给Astra了。
如果任务失败了，或者效果不好，Astra就会像一个侦探一样，把录像和数据翻来覆去地看，定位问题的根因。
比如，它发现抓篮子时腕部相机老是被遮挡，于是改进方案就是：切换到头顶的相机来观察。
再比如，它发现从烘干机里往外掏牛仔裤时，裤腿总是挂在滚筒壁上。
Astra分析完录像后，给出的优化策略是：动态微调机械爪的抬升轨迹，同时调整指尖的抓取倾角。
此外还有个Trick，为了让这个「练级」过程能7x24小时不间断，进一步减少Human in the Loop，大晓还做了件蛮聪明的事——
让机器人学会「自主复位」。
什么意思？
比如掏衣服这个动作，机器人把衣服从烘干机里掏出来之后，它能自己再把衣服抖散，扔回烘干机里，把现场恢复到实验开始前的状态。
完全不需要人去干预。
这就摆脱了对人工的依赖，实现了真正意义上的自主闭环进化。
当然，自动化程度一高，难免会担心误差累积的问题。
闭门造车总是不太好嘛，一个模型再聪明，也难免会「不识庐山真面目」。
为了保证改进是有效的，团队会在训练过程中独立运行一个模型副本，像「质检员」一样，对每一轮的执行录像和数据打分。
如果发现新版本的Skill效果还不如旧的，系统能快速回滚。
差不多就是这些。
口说无凭，咱还是来看看数据。
就「烘干机取衣」这一个Skill，在57小时内，机器人连续完成了165轮真机实验，输出了37条改进方案和大约80个迭代版本。
操作对象也从一开始的标准布料，逐步拓展到了更难搞的厚重牛仔裤、奇形怪状的洗衣袋。
最终，单轮用时稳定在了170到210秒。最关键的指标——牛仔裤筒内残留率，从平均48%，一路降到了32%，最优的一次甚至达到了19%。
真实的失败，成了机器人进化的最佳养料。
具身Transformer时刻
法国哲学家勒内·笛卡尔曾写道：
让后来者从前人止步之处继续。
在具身智能的演进史里，最奢侈的资源，其实不是云端的算力，而是机器人在真实物理世界里，所耗费掉的那些一去不复返的试错时间。
一次抓取的滑脱、一次视角的遮挡、一次衣物边缘的误判……
在过去，如果这些失败仅仅化为系统后台里一条无人问津的报错日志，那么成百上千台设备，就会在不同的场景里，日复一日地重蹈覆辙。
但现在，不一样了。
大晓机器人让分散在酒店洗衣房、客房走廊中的每一次受挫与调整，都转化成了可被世界模型理解、可被基模型吸收的通用认知资产。
一台机器人的失败，成了所有机器人成长的阶梯。
我觉得，具身智能，或许正逐渐迎来属于自己的Transformer时刻。
如同大语言模型用统一架构承接了人类语言的无穷变化，当世界模型、双脑协同与自进化机制这套组合拳，能牢牢嵌合进产业流水线，机器人获取新能力的边际成本，将被逐渐击穿。
接下来，就看生态的丰富度，该如何反哺长尾场景的训练了。
而中国，恰好拥有全世界最深厚的场景土壤与最完备的硬件供应链。
据大晓董事长王晓刚透露，他们确实已经开始探索除酒店之外的场景——
即时零售是非常值得进一步拓展的方向。
虽然与酒店洗衣属于不同领域，但背后存在一些共性：都需要机器人理解复杂环境、完成多步骤任务，并与真实业务系统和运营流程协同。
同时，这些场景的任务频次较高，业务结果可量化，能够持续产生数据反馈，推动模型和技能迭代。
酒店场景验证的世界模型环境建模、通用模型技能生成以及RSI持续改进等能力，可以为其他场景提供技术参考。
优先于B端验证场景、形成商业闭环，保证能自我造血后，才能沉下心来养精蓄锐，最终逐步向更困难的阵地进军。
具身是一场马拉松，但庆幸的是，至少现在的技术水平，已经可以解决一些痛点。
今天在酒店洗衣房里走出的一小步，正在为明天千行百业的物理世界巨变——
搭好最关键的跳板。
